CN114445848A - 一种获取电气图纸中元器件识别位置的方法及系统 - Google Patents

一种获取电气图纸中元器件识别位置的方法及系统 Download PDF

Info

Publication number
CN114445848A
CN114445848A CN202210125752.5A CN202210125752A CN114445848A CN 114445848 A CN114445848 A CN 114445848A CN 202210125752 A CN202210125752 A CN 202210125752A CN 114445848 A CN114445848 A CN 114445848A
Authority
CN
China
Prior art keywords
electrical drawing
electrical
component
target
sub
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210125752.5A
Other languages
English (en)
Inventor
何培东
黎小军
王晨丞
李显忠
张福州
张嘉岷
肖丽
刘柯里
涂娅欣
罗超
贾岩龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Marketing Service Center Of State Grid Sichuan Electric Power Co
Original Assignee
Marketing Service Center Of State Grid Sichuan Electric Power Co
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Marketing Service Center Of State Grid Sichuan Electric Power Co filed Critical Marketing Service Center Of State Grid Sichuan Electric Power Co
Priority to CN202210125752.5A priority Critical patent/CN114445848A/zh
Publication of CN114445848A publication Critical patent/CN114445848A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像识别技术领域，具体涉及一种获取电气图纸中元器件识别位置的方法及系统。一种获取电气图纸中元器件识别位置的方法，包括：获取待识别电气图纸，将待识别电气图纸分割成若干个固定规格的子图，相邻子图之间具有相互重叠的部分，使得任意一个目标元器件至少会被完整的分割到一张子图中；对所有子图进行识别，并输出所有包含有目标元器件的候选框的坐标；将所有候选框的坐标通过坐标映射的方式映射到分割前的电气图纸中；消除电气图纸中多余的候选框，以得到最佳的目标元器件识别位置。本发明提供的方法可有效提升目标元件在图纸中的占比，提高检测提升检测器的识别精度。

Description

一种获取电气图纸中元器件识别位置的方法及系统
技术领域
本发明涉及图像识别技术领域，具体涉及一种获取电气图纸中元器件识别位置的方法及系统。
背景技术
深度神经网络对于输入图像的尺寸有固定限制，虽然我们可以通过图像的缩放或者比例修正使得图片的尺寸满足深度神经网络的输入要求，但是会引起原有图像比例的改变和数据损失，考虑到电气图纸中电气元件与传统图像识别数据集相比目标更小，识别效果将进一步恶化。对于电气图纸等大尺寸图像，若简单的通过切割图片等方式将目标电气图纸切割成多张子图，必然使得子图的边缘存在被切割的不完整元器件，检测器面向不完整的元器件进行识别则有可能会造成错误识别、漏识别问题。
基于上述问题，如何研究设计一种获取电气图纸中元器件识别位置的方法，以提升检测器的识别精度是我们目前急需解决的问题。
发明内容
为克服上述问题或部分解决上述问题，本发明的目的在于提供一种获取电气图纸中元器件识别位置的方法及系统，以提升检测器的识别精度。
本发明通过下述技术方案实现：
第一方面，本发明实施例提供一种获取电气图纸中元器件识别位置的方法，包括以下步骤：获取待识别电气图纸，将所述待识别电气图纸分割成若干个固定规格的子图，相邻所述子图之间具有相互重叠的部分，使得任意一个目标元器件至少会被完整的分割到一张子图中；采用YOLO目标识别算法对所有子图进行识别，并输出所有包含有目标元器件的候选框的坐标；将所有候选框的坐标通过坐标映射的方式映射到分割前的电气图纸中；消除电气图纸中多余的候选框，以得到目标元器件的最佳识别位置
基于第一方面，在本发明一些实施例中，将所述待识别电气图纸分割成若干个子图之前还包括：采用k-means++算法对训练集中电气图纸中的电气元器件的物理符号尺寸进行聚类，确定目标候选框的规格(AW,AH)，其中，AW为目标候选框的宽度，AH为目标候选框的高度。
基于第一方面，在本发明一些实施例中，所述采用k-means++算法对电气图纸中的元器件物理符号尺寸进行聚类，确定目标候选框的规格(AW,AH)包括以下步骤：步骤1：从代表元器件符号的训练集中随机选取1个数据点作为第一个初始聚类中心c1；步骤2：计算其他每一个样本点i(xi,yi)与聚类中心c1(xc,yc)的欧式距离D(x)和每一个样本点被选为聚类中心的概率P(x)，选取概率最大的点作为下一个聚类中心，其中
Figure BDA0003500270230000021
Figure BDA0003500270230000022
步骤3：重复步骤2，直到选择出预设值a个初始聚类中心；步骤4：将每一个样本点i分配给距离其最近的聚类中心，划分成初始簇，之后重新每个簇的质心，并将该质心作为新的聚类中心；步骤5：重复执行步骤4，直至簇不再发生变化或达到最大迭代次数后，此时则形成a个最终簇，分别为每一个最终簇匹配标准大小的锚定框；步骤6：对步骤5中所获得的a个锚定框，从中选择面积最大的锚定框作为所述目标候选框。
基于第一方面，在本发明一些实施例中，基于所述目标候选框的规格(AW,AH)和所述子图的规格(Wo,Ho)，确定相邻所述子图重叠部分的宽度RW或高度RH，其约束关系为：
Figure BDA0003500270230000023
其中，W0为子图的宽度，H0为子图的高度。
基于第一方面，在本发明一些实施例中，将待识别电气图纸(Wi,Hi)横向切割n次、纵向切割m次，以获得若干个固定规格的子图，其中n、m在数值上应满足下列等式关系：
Figure BDA0003500270230000024
其中，Wi为待识别电气图纸的宽度，Hi为待识别电气图纸的高度。
基于第一方面，在本发明一些实施例中，所述的横向切割次数n的计算步骤如下：步骤1：n初始值取
Figure BDA0003500270230000025
步骤2：将n带入Won-(n-1)RW＝Wi，求取冗余宽度RW，并判断冗余宽度RW是否满足Wo＞RW＞AW；步骤3：若是，则输出冗余宽度RW和横向切割次数n；步骤4：若否，则令n＝n+1，并重复步骤2，直至冗余宽度RW满足Wo＞RW＞AW。
基于第一方面，在本发明一些实施例中，所述的纵向切割次数m的计算步骤如下：步骤1：m初始值取
Figure BDA0003500270230000026
步骤2：将m带入Hom-(m-1)RH＝Hi，求取冗余高度RH，并判断冗余高度RH是否满足Ho＞RH＞AH；步骤3：若是，则输出冗余高度RH和纵向切割次数m；步骤4：若否，则令m＝m+1，并重复步骤2，直至冗余宽度RW满足Wo＞RW＞AW。
基于第一方面，在本发明一些实施例中，所述将所有候选框的坐标通过坐标映射的方式映射到分割前的电气图纸中包括：若其中一个候选框的坐标为[xmin,ymin,xmax,ymax]，其中xmin和ymin表示边框左上角坐标，xmax和ymax表示边框的右下脚坐标；映射到分割前的电气图纸中的坐标为：[i×(Wo-RW)+xmin,j×(Ho-RH)+ymin,i×(Wo-RW)+xmax,j×(Ho-RH)+ymax]，其中,i∈{0,1,2,....n}，j∈{0,1,2,....m}，表示第i次横向，第j次纵向分割后的图纸。
第二方面，本发明实施例提供一种获取电气图纸中元器件识别位置的系统，包括：分割模块，用于获取待识别电气图纸，将所述待识别电气图纸分割成若干个固定规格的子图，相邻所述子图之间具有相互重叠的部分，使得任意一个目标元器件至少会被完整的分割到一张子图中；识别模块：用于采用YOLO目标识别算法对所有子图进行识别，并输出所有包含有目标元器件的候选框的坐标；映射模块：用于将所有候选框的坐标通过坐标映射的方式映射到分割前的电气图纸中；消除模块：用于消除电气图纸中多余的候选框，以得到目标元器件的最佳识别位置。
基于第二方面，在本发明一些实施例中，还包括：目标候选框计算模块，用于采用k-means++算法对训练集中电气图纸中的电气元器件的物理符号尺寸进行聚类，确定能够框住最大符号的目标候选框的规格(AW,AH)，其中，AW为目标候选框的宽度，AH为目标候选框的高度。
本发明与现有技术相比，至少具有如下的优点和有益效果：
1、本发明提出通过将大尺寸电气图纸切割为若干小尺寸电气图纸，可有效提升目标元件在图纸中的占比，提高检测提升检测器对小目标的识别精度；
2、本发明通过k-means++算法确定目标候选框，通过该目标候选框作为冗余高度和冗余宽度的约束，可保证任意一个目标元件至少会被完整的分割到一张子图中，有效防止错误识别或者漏识别；
3、本发明在目标位置输出环节首先将所有子图中的目标候选框映射到切割前电气图纸，其次再通过非极大值抑制算法消除多余的候选框，找到物体的最佳检测位置。该方法相对于直接在子图中通过非极大值抑制算法消除多余的候选框，可以进一步提高目标识别精度，有效防止错误识别或者重复识别。
附图说明
为了更清楚地说明本发明示例性实施方式的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。在附图中：
图1为一种获取电气图纸中元器件识别位置的方法的流程示意图；
图2为本发明实施例中提供的冗余分割示例；
图3为本发明实施例中提供的部分常见电气符号示例；
图4为一种获取电气图纸中元器件识别位置的系统的结构框图。
图标：1-分割模块；2-识别模块；3-映射模块；4-消除模块；5-目标候选框计算模块。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例1
请参照图1，在本发明实施例提供一种获取电气图纸中元器件识别位置的方法，包括以下步骤：
S101、获取待识别电气图纸，将所述待识别电气图纸分割成若干个固定规格的子图，相邻所述子图之间具有相互重叠的部分，使得任意一个目标元器件至少会被完整的分割到一张子图中；
示例性的，通常而言电气图纸呈矩形，本实施例中子图的规格即为深度神经网络模型的输入图像固定规格，表示为(Wo,Ho)，W0为子图的宽度，H0为子图的高度。
检测器在扫描电气图纸时，则从左上角(或其他顶角)开始，沿横向或纵向依次平移特定的距离，且检测器每一次扫描，都存在一张唯一的子图与扫描框重合。示例性的，本实施例中将沿横向平移扫描时，扫描重叠的宽度定义为冗余宽度RW，即扫描框沿横向平移时，每次平移(W0-RW)的距离；同时将沿纵向平移扫描时，扫描重叠的宽度定义为冗余高度RH，即扫描框沿纵向平移时，每次平移(Ho-RH)的距离(如图2所示)。
因此，则在分割子图时，便首先需要确定横向相邻子图的重叠宽度RW和纵向相邻子图的重叠高度(宽度)RH。而为保证任意一个目标元器件至少会被完整的分割到一张子图中，则需要保证重叠部分的宽度需要大于k-means++聚类所得冗余宽度，和冗余高度。(如图3所示)由于元器件众多且大小不一，因此在确定重叠宽度RW和重叠高度RH之前还需要确定目标候选框宽度AW和目标候选框高度AH。示例性的，本实施例中则采用k-means++算法对训练集中(本实施例中的训练集，指的是提前收集好的各类电气图纸，并且已经正确手动标注了各类电气元器件的位置。)电气图纸中的元器件符号进行聚类，确定目标候选框的规格(AW,AH)，其具体包括以下步骤：
步骤1：从代表元器件符号的数据集中随机选取1个数据点作为第一个初始聚类中心c1；
步骤2：计算其他每一个样本点i(xi,yi)与聚类中心c1(xc,yc)的欧式距离D(x)和每一个样本点被选为聚类中心的概率P(x)，选取概率最大的点作为下一个聚类中心，其中
Figure BDA0003500270230000051
步骤3：重复步骤2，直到选择出预设值a个初始聚类中心；
步骤4：将每一个样本点i分配给距离其最近的聚类中心，划分成初始簇，之后重新计算每个簇的质心，并将该质心作为新的聚类中心；
步骤5：重复执行步骤4，直至簇不再发生变化或达到最大迭代次数后，此时则形成a个最终簇，分别为每一个最终簇匹配标准大小的锚定框；
步骤6：对步骤5中所获得的a个锚定框，从中选择面积最大的锚定框作为所述目标候选框。
确定出目标候选框(AW,AH)后，则将该目标候选框的宽和高以及子图的宽和高作为冗余高度RH和冗余宽度RW的约束，其约束关系为：
Figure BDA0003500270230000052
确定出冗余高度RH和冗余宽度RW后，便可以计算出需要将待识别电气图纸分割成多少个固定规格的子图。即，可确定待识别电气图纸(Wi,Hi)的横向切割次数n和纵向切割次数m。
关于横向切割次数n的计算步骤具体如下：
步骤1：n初始值取
Figure BDA0003500270230000053
步骤2：将n带入Won-(n-1)RW＝Wi，求取冗余宽度RW，并判断冗余宽度RW是否满足Wo＞RW＞AW；
步骤3：若是，则输出冗余宽度RW和横向切割次数n；
步骤4：若否，则令n＝n+1，并重复步骤2，直至冗余宽度RW满足Wo＞RW＞AW。
关于纵向切割次数m的计算步骤具体如下：
步骤1：m初始值取
Figure BDA0003500270230000061
步骤2：将m带入Hom-(m-1)RH＝Hi，求取冗余高度RH，并判断冗余高度RH是否满足Ho＞RH＞AH；
步骤3：若是，则输出冗余高度RH和纵向切割次数m；
步骤4：若否，则令m＝m+1，并重复步骤2，直至冗余宽度RW满足Wo＞RW＞AW。
S102、采用YOLO目标识别算法对包含有目标元器件的所有子图进行识别，并输出所有包含有目标元器件的候选框的坐标；
以单个的子图为基本识别单元，采用YOLO系列目标识别算法对包含有目标元器件的所有子图进行识别，并输出所有目标元器件的所有候选框坐标
Figure BDA0003500270230000062
i,j,k＝1,2,3...；其中j,k分别表示第j类目标下的第k个候选框坐标；其中YOLO系列目标识别算法输出候选框坐标
Figure BDA0003500270230000063
形式为[xmin,ymin,xmax,ymax]，其中xmin和ymin表示边框左上角坐标，xmax和ymax表示边框的右下脚坐标。
S103、将所有候选框的坐标通过坐标映射的方式映射到分割前的电气图纸中；
若其中一个候选框的坐标为[xmin,ymin,xmax,ymax]，其中xmin和ymin表示边框左上角坐标，xmax和ymax表示边框的右下脚坐标；
映射到分割前的电气图纸中的坐标为：
[i×(Wo-RW)+xmin,j×(Ho-RH)+ymin,i×(Wo-RW)+xmax,j×(Ho-RH)+ymax]
其中,i∈{0,1,2,....n}，j∈{0,1,2,....m}，表示第i次横向，第j次纵向分割后的图纸。
S104、消除电气图纸中多余的候选框，以得到最佳的目标元器件识别位置。
采用非极大值抑制算法消除多余的候选框，非极大值抑制算法的本质是搜索局部极大值，抑制非极大值元素，目前经常用于目标检测领域，用于消除多余的检测框。
实施例2
请参照图2，在本发明些实施例提供一种获取电气图纸中元器件识别位置的系统(如图4所示)，包括：分割模块1，用于获取待识别电气图纸，将所述待识别电气图纸分割成若干个固定规格的子图，相邻所述子图之间具有相互重叠的部分，使得任意一个目标元器件至少会被完整的分割到一张子图中；识别模块2：用于采用YOLO目标识别算法对所有子图进行识别，并输出所有包含有目标元器件的候选框的坐标；映射模块3：用于将所有候选框的坐标通过坐标映射的方式映射到分割前的电气图纸中；消除模块4：用于对电气图纸中的所有候选框通过非极大值抑制算法消除多余的候选框，以得到最佳的目标元器件识别位置。
除上述模块外还包括：目标候选框计算模块5：用于采用k-means++算法对电气图纸中的电气元器件的符号进行聚类，确定目标候选框的规格(AW,AH)，其中，AW为目标候选框的宽度，AH为目标候选框的高度。
本发明实施例所提供的系统可用于执行上述实施例所描述的方法，具体方法步骤见实施例1。在此不作赘述。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种获取电气图纸中元器件识别位置的方法，其特征在于，包括以下步骤：
获取待识别电气图纸，将所述待识别电气图纸分割成若干个固定规格的子图，相邻所述子图之间具有相互重叠的部分，使得任意一个目标元器件至少会被完整的分割到一张子图中；
采用YOLO目标识别算法对所有子图进行识别，并输出所有包含有目标元器件物理符号的候选框的坐标；
将所有候选框的坐标通过坐标映射的方式映射到分割前的电气图纸中；
消除电气图纸中多余的候选框，以得到目标元器件物理符号最佳识别位置。
2.根据权利要求1所述的获取电气图纸中元器件识别位置的方法，其特征在于，将所述待识别电气图纸分割成若干个子图之前还包括：
采用k-means++算法对训练集中电气图纸中的电气元器件的物理符号尺寸进行聚类，确定目标候选框的规格(AW,AH)，其中，AW为目标候选框的宽度，AH为目标候选框的高度。
3.根据权利要求2所述的获取电气图纸中元器件识别位置的方法，其特征在于，所述采用k-means++算法对训练集中电气图纸中的元器件物理符号尺寸进行聚类，确定目标候选框的规格(AW,AH)包括以下步骤：
步骤1：从代表元器件符号的训练集中随机选取1个数据点作为第一个初始聚类中心c1；
步骤2：计算其他每一个样本点i(xi,yi)与聚类中心c1(xc,yc)的欧式距离D(x)和每一个样本点被选为聚类中心的概率P(x)，选取概率最大的点作为下一个聚类中心，其中
Figure FDA0003500270220000011
步骤3：重复步骤2，直到选择出预设值a个初始聚类中心；
步骤4：将每一个样本点i分配给距离其最近的聚类中心，划分成初始簇，之后重新计算每个簇的质心，并将该质心作为新的聚类中心；
步骤5：重复执行步骤4，直至簇不再发生变化或达到最大迭代次数后，此时则形成a个最终簇，分别为每一个最终簇匹配标准大小的锚定框；
步骤6：对步骤5中所获得的a个锚定框，从中选择面积最大的锚定框作为所述目标候选框。
4.根据权利要求2所述的获取电气图纸中元器件识别位置的方法，其特征在于，基于所述目标候选框的规格(AW,AH)和所述子图的规格(Wo,Ho)，确定相邻所述子图重叠部分的宽度RW或高度RH，其约束关系为：
Figure FDA0003500270220000021
其中，W0为子图的宽度，H0为子图的高度。
5.根据权利要求4所述的获取电气图纸中元器件识别位置的方法，其特征在于，将待识别电气图纸(Wi,Hi)横向切割n次、纵向切割m次，以获得若干个固定规格的子图，其中n、m在数值上应满足下列等式关系：
Figure FDA0003500270220000022
其中，Wi为待识别电气图纸的宽度，Hi为待识别电气图纸的高度。
6.根据权利要求5所述的获取电气图纸中元器件识别位置的方法，其特征在于，所述的横向切割次数n的计算步骤如下：
步骤1：n初始值取
Figure FDA0003500270220000023
步骤2：将n带入Won-(n-1)RW＝Wi，求取冗余宽度RW，并判断冗余宽度RW是否满足Wo＞RW＞AW；
步骤3：若是，则输出冗余宽度RW和横向切割次数n；
步骤4：若否，则令n＝n+1，并重复步骤2，直至冗余宽度RW满足Wo＞RW＞AW。
7.根据权利要求5所述的获取电气图纸中元器件识别位置的方法，其特征在于，所述的纵向切割次数m的计算步骤如下：
步骤1：m初始值取
Figure FDA0003500270220000024
步骤2：将m带入Hom-(m-1)RH＝Hi，求取冗余高度RH，并判断冗余高度RH是否满足Ho＞RH＞AH；
步骤3：若是，则输出冗余高度RH和纵向切割次数m；
步骤4：若否，则令m＝m+1，并重复步骤2，直至冗余宽度RW满足Wo＞RW＞AW。
8.根据权利要求1所述的获取电气图纸中元器件识别位置的方法，其特征在于，所述将所有候选框的坐标通过坐标映射的方式映射到分割前的电气图纸中包括：
若其中一个候选框的坐标为[xmin,ymin,xmax,ymax]，其中xmin和ymin表示边框左上角坐标，xmax和ymax表示边框的右下脚坐标；
映射到分割前的电气图纸中的坐标为：
[i×(Wo-RW)+xmin,j×(Ho-RH)+ymin,i×(Wo-RW)+xmax,j×(Ho-RH)+ymax]
其中,i∈{0,1,2,....n}，j∈{0,1,2,....m}，表示第i次横向，第j次纵向分割后的图纸。
9.一种获取电气图纸中元器件识别位置的系统，其特征在于，包括：
分割模块，用于获取待识别电气图纸，将所述待识别电气图纸分割成若干个固定规格的子图，相邻所述子图之间具有相互重叠的部分，使得任意一个目标元器件至少会被完整的分割到一张子图中；
识别模块：用于采用YOLO目标识别算法对所有子图进行识别，并输出所有包含有目标元器件的候选框的坐标；
映射模块：用于将所有候选框的坐标通过坐标映射的方式映射到分割前的电气图纸中；
消除模块：用于消除电气图纸中多余的候选框，以得到目标元器件的最佳识别位置。
10.根据权利要求9所述的获取电气图纸中元器件识别位置的系统，其特征在于，还包括：
目标候选框计算模块：用于采用k-means++算法对训练集中电气图纸中的电气元器件的物理符号尺寸进行聚类，确定冗余候选框的规格(AW,AH)，其中，AW为目标候选框的宽度，AH为目标候选框的高度。
CN202210125752.5A 2022-02-10 2022-02-10 一种获取电气图纸中元器件识别位置的方法及系统 Pending CN114445848A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210125752.5A CN114445848A (zh) 2022-02-10 2022-02-10 一种获取电气图纸中元器件识别位置的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210125752.5A CN114445848A (zh) 2022-02-10 2022-02-10 一种获取电气图纸中元器件识别位置的方法及系统

Publications (1)

Publication Number Publication Date
CN114445848A true CN114445848A (zh) 2022-05-06

Family

ID=81372098

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210125752.5A Pending CN114445848A (zh) 2022-02-10 2022-02-10 一种获取电气图纸中元器件识别位置的方法及系统

Country Status (1)

Country Link
CN (1) CN114445848A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116503865A (zh) * 2023-05-29 2023-07-28 北京石油化工学院 氢气道路运输风险识别方法、装置、电子设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116503865A (zh) * 2023-05-29 2023-07-28 北京石油化工学院 氢气道路运输风险识别方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN108549893B (zh) 一种任意形状的场景文本端到端识别方法
US10289924B2 (en) System and method for scanned document correction
CN106548127B (zh) 图像识别方法
CN108804815B (zh) 一种基于深度学习辅助识别cad中墙体的方法和装置
CN110348294B (zh) Pdf文档中图表的定位方法、装置及计算机设备
US9235759B2 (en) Detecting text using stroke width based text detection
JP2018195293A (ja) 画像処理システム、画像においてマルチラベル意味エッジ検出を行う方法、および、非一時的コンピューター可読記憶媒体
CN107369131B (zh) 图像的显著性检测方法、装置、存储介质和处理器
CN114529925B (zh) 一种全线表表格结构识别方法
Sohn et al. An implicit regularization for 3D building rooftop modeling using airborne lidar data
US20180253852A1 (en) Method and device for locating image edge in natural background
JP2018081674A (ja) 手書きテキスト画像に対する行及び単語切り出し方法
CN111832476A (zh) 版面分析方法、阅读辅助设备、电路和介质
CN111461133A (zh) 快递面单品名识别方法、装置、设备及存储介质
CN113221895A (zh) 小目标检测方法、装置、设备及介质
CN114863408A (zh) 文档内容分类方法、系统、装置及计算机可读存储介质
CN114445848A (zh) 一种获取电气图纸中元器件识别位置的方法及系统
JP6542230B2 (ja) 投影ひずみを補正するための方法及びシステム
CN115861609A (zh) 遥感图像的分割标注方法、电子设备及存储介质
CN115082935A (zh) 用于对文档图像进行矫正的方法、设备及存储介质
CN115223172A (zh) 文本提取方法、装置及设备
CN115205113A (zh) 一种图像拼接方法、装置、设备及存储介质
CN113971728A (zh) 图像识别方法、模型的训练方法、装置、设备及介质
CN111027551B (zh) 图像处理方法、设备和介质
CN117541594A (zh) 一种双非极大值抑制的横向风成脊小目标检测方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination